Machine learning y cálculo económico

Los detractores de la libertad siguen creyendo, como un dogma de fe, que la economía es planificable. Pero no lo es, ni siquiera mediante machine learning.

Yago Mateos

La revolución causada en los últimos tiempos por las nuevas técnicas de inteligencia artificial ha vuelto a resucitar el debate sobre la imposibilidad teórica de la planificación centralizada. Ya en 1920, Ludwig von Mises explicó la imposibilidad teórica de asignar racionalmente los recursos en una economía planificada, debido a la ausencia de precios de mercado que permitan realizar cálculos monetarios. 100 años después, y a la luz de los nuevos avances producidos en el ámbito de la computación y el aprendizaje automático, parece razonable preguntarse si hay motivos para poner sus teorías en entredicho.

El aprendizaje automático es una rama de la informática que utiliza técnicas estadísticas para permitir a las computadoras “aprender” (es decir, mejorar progresivamente el rendimiento en una tarea específica) a partir de datos, sin ser programadas explícitamente. Por ejemplo, utilizando algoritmos de aprendizaje automático, un ordenador es capaz de aprender a distinguir un perro de un gato, sin haber recibido instrucciones precisas sobre cómo diferenciarlos. Esto puede hacer pensar que es posible entrenar orde- nadores para que aprendan a planificar centralmente la economía. Analicemos a continuación si esta idea está adecuadamente fundamentada.

En primer lugar, los algoritmos de aprendizaje automático necesitan de la existencia de una “función objetivo”, que no es más que una medida numérica de aquello que se quiere lograr. Dicha medida es usada como referencia por la computadora, que modifica sus parámetros en base a la misma para mejorar su rendimiento en la tarea que debe llevar a cabo. En pocas palabras, es necesaria la existencia de un mecanismo de retroalimentación. En el contexto de la planificación económica esto implica establecer un criterio objetivo que determine el éxito en la planificación. Tradicionalmente, las empresas han utilizado el balance contable como mecanismo de retroalimentación (si pierden dinero de forma continuada, el mensaje que reciben es que deben modificar su forma de producir, o dedicar sus factores productivos a la fabricación de bienes alternativos), el cual es directamente transferible a un contexto computacional. Sin embargo, una economía planificada carece de una medida objetiva y cuantificable que permita conocer el nivel de satisfacción de las necesidades de sus ciudadanos. Lo anterior supone, por sí mismo, un obstáculo insalvable para la utilización del aprendizaje automático en la planificación de la economía. Sin embargo, supongamos a efectos dialécticos que de alguna misteriosa manera, el órgano planificador fuera capaz de hacerse con la información necesaria para establecer una “función de bienestar social” que pueda ser utilizada como función objetivo. En este contexto, existen diversos métodos con los cuales un ordenador podría aprender a planificar, todos ellos teóricamente inviables por diversos motivos. Por cuestiones de extensión, analizaremos únicamente uno de los métodos más populares, conocido como aprendizaje supervisado.

En el aprendizaje supervisado, la computadora aprende a hacer predicciones sobre datos nuevos, a partir de datos previamente etiquetados. Por ejemplo, un modelo podría aprender a clasificar fotos de perros y gatos a partir de un conjunto de fotos marcadas como de perros o de gatos. Para el caso que nos ocupa, el ordenador sería entrenado con una serie de datos his- tóricos, buscando descubrir relaciones entre las variables relevantes a la planificación económica (inputs), y las combinaciones de parámetros correspondientes que determinan la asignación óptima de los factores productivos (outputs). Esto, sin embargo, adolece de un doble problema. Primeramente, resulta imposible para el planificador averiguar cuales son las variables relevantes a tener en cuenta en la asignación óptima de los recursos, y por tanto a introducir en el modelo. Cuando se trata de clasificar fotos de perros y de gatos, toda la información relevante se encuentra incluida en los píxeles de cada fotografía. Sin embargo, se desconoce si toda la información relevante a la asignación racional de los recursos está contenida en las variables de entrada del modelo de planificación. Además, como explican Hayek y Huerta de Soto, la mayor parte de la información relevante a esta cuestión se encuentra diseminada en las mentes de todos los ciudadanos en forma de conocimiento práctico, tácito, y no articulable, de tal manera que incluso si el planificador pudiera hacerse con la misma, sería incapaz de formalizarla de tal manera que la misma pudiera ser computada. En segundo lugar, y aún más importante, los algoritmos de aprendizaje supervisado necesitan de lo que se conoce como “ground truth”, esto es, una verdad real y verificable que permita evaluar la precisión del modelo. En el contexto de la planificación centralizada esto significa que, para poder entrenar el modelo, es necesario conocer a priori la asignación óptima de los recursos bajo una serie de condiciones dadas reflejadas en las variables de entrada. Sin embargo, resulta imposible verificar que la asignación de los recursos que se dio en una determinada situación histórica, produjera el valor óptimo de la hipotética función de bienestar social. Es más, si se dispusiera de dicho conocimiento, se haría irrelevante la utilización del modelo.

Todos los argumentos expresados en los anteriores párrafos para explicar la imposibilidad de la utilización de las nuevas técnicas de aprendizaje automático de cara a resolver el problema del cálculo económico socialista, pueden reducirse a la idea de que en ausencia de mercado, se carece de la información práctica relevante necesaria para la planificación económica. Por este motivo, nos atrevemos a afirmar que el Teorema de la Imposibilidad del Cálculo Económico, según fue enunciado por los autores austríacos, está más vigente que nunca. f Colaborador de AVANCE.